DISTRIBUCIONES CONTINUAS
Modelo Uniforme Continuo
Modelo Normal
Modelo Gamma
Modelo Exponencial Negativo
Modelo Chi Cuadrado
Modelo Weibull
Modelo t-Student
Modelo F de Fisher-Snedecor
MODELO UNIFORME CONTINUO
• Una v. a. X tiene una distribución uniforme en
el [ a, b] si su función densidad en cada
punto x es:
1
f ( x) = si a < x £ b
b-a
X ~ Uniforme(a; b)
MODELO UNIFORME CONTINUO
MODELO UNIFORME CONTINUO:
Función de distribución acumulada
1 1 x-a
] ax =
x x
FX ( x) = ò f X (u ) du = ò du = u
a b-a a b-a b-a
ì0 x<a
ïx - a
ï
FX ( x) = í a£ x£b
ïb - a
ïî1 x>b
MODELO UNIFORME CONTINUO
• Sean x1, x2 dos valores del intervalo [a; b] tales que x1 < x2 ,
1 1
P( x 1 < X < x 2 ) = òxx 2 du = ( x 2 - x 1 )
1 b-a b-a
• Esperanza
+¥ +¥ 1 b 1 a+b
E( X ) = ò x. f X ( x) dx = ò x I ( a ,b ) dx = ò x dx =
-¥ -¥ b-a b b-a 2
• Varianza
b−" (
!"# $ =
12
EJEMPLOS: Distribución Uniforme
• Tiempo de espera de un pasajero para tomar el tren, en un
intervalo de 20 minutos entre tren y tren.
• Nivel de voltaje, en V, que brinda una compañía de servicio
eléctrico, en el intervalo (123, 125).
• Contenido de las botellas de detergente líquido, en cm3, en
el intervalo (100,200).
• Ofertas, en dólares, sobre un terreno de 200 m2, en el
intervalo (100.000, 150.000).
EJEMPLO 1: Distribución Uniforme
La cantidad diaria, en litros, de café que despacha
una máquina ubicada en la sala de espera del
aeropuerto de Mendoza es una v.a. X que tiene
distribución uniforme en el intervalo (7,10).
a)Encuentre la probabilidad de que en un determinado día la
cantidad de café despachada por la máquina sea de:
1)A lo sumo 8.81 litros
2)Por lo menos 8.51 litros
3)Más de 7.41 pero menos de 9.51
EJEMPLO 1: Distribución Uniforme
b)Encuentre la cantidad de café esperado que despacha la
máquina instalada en la sala de espera del aeropuerto.
c)Encuentre y grafique la función densidad y la función de
distribución acumulada.
d)Calcule el percentil 70 e interprete.
e)Calcule los cuartiles e interprete la mediana.
f)Marque los cuartiles en la función de distribución acumulada.
• X: “Cantidad de café (en litros) que despacha una máquina
instalada en una sala del aeropuerto”
• X ~U(7,10)
• f(x) = 1/3 si 7 ≤ x ≤ 10
EJEMPLO 1: Distribución Uniforme
La función de distribución acumulada será:
ì0 x<7
ïx - 7
ï
FX ( x ) = í 7 £ x £ 10
ï 3
ïî1 x > 10
a) 1)A lo sumo 8.81 litros
P(X £ 8,81) = F(8,81) =(8,81-7)/3 = 0,60333
USANDO EL R!!! punif(8.81,7,10)
La probabilidad de que la cantidad de café despachado por la máquina sea
a lo sumo 8,81 litros, en un determinado día, es de 0,6033.
EJEMPLO 1: Distribución Uniforme
La función de distribución acumulada será:
ì0 x<7
ïx - 7
ï
FX ( x ) = í 7 £ x £ 10
ï 3
ïî1 x > 10
a)2)Por lo menos 8,51 litros
P(X ³ 8,51) = 1 - P(X < 8,51) = 1 - F(8,51) = = 0,4967
(P(X < 8,51) = F(8,51) porque P(X = 8,51) = 0)
USANDO EL R!!! 1-punif(8.51,7,10)
La probabilidad de que la cantidad de café despachado por la máquina sea
por lo menos de 8,51 litros, en un determinado día, es de 0,4967.
EJEMPLO 1: Distribución Uniforme
La función de distribución acumulada será:
ì0 x<7
ïx - 7
ï
FX ( x ) = í 7 £ x £ 10
ï 3
ïî1 x > 10
a)3)Más de 7,41 litros pero menos de 9,51 litros.
P(7,41 < X < 9,51) = F(9,51) - F(7,41) = ((9,51-7)/3)-((7,41-7)/3) = 0,7
USANDO EL R!!! punif(9.51,7,10)-punif(7.41,7,10)
La probabilidad de que la cantidad de café despachado por la máquina sea
más de 7,41 litros pero menos de 9,51 litros, en un determinado día, es
de 0,7.
EJEMPLO 1: Distribución Uniforme
b)Encuentre la cantidad de café esperado que despacha la
máquina instalada en la sala de espera del aeropuerto.
!"# %"&'
E(X) = = = 8,5
$ $
La cantidad de café esperada que despacha la máquina instalada en la sala de
espera del aeropuerto es de 8,5 litros.
c)Encuentre y grafique la función densidad y la función de
distribución acumulada.
d)Calcule el percentil 70 e interprete.
P(X < x0,70) = 0,70 = (x – 7) /3 por lo tanto x0,70 = 9,1 = P70
USANDO EL R!!! qunif(0.7,7,10)
El 70% de la cantidad despachada es de 9,1 litros o menos y el 30% restante es de 9,1
litros o más.
EJEMPLO 1: Distribución Uniforme
e)Calcule los cuartiles e interprete la mediana.
P(X < x0,25) = 0,25 = (x – 7) /3 por lo tanto x0,25 = 7,75 = P25
USANDO EL R!!! qunif(0.25,7,10)
P(X < x0,75) = 0,75 = (x – 7) /3 por lo tanto x0,75 = 9,25 = P75
USANDO EL R!!! qunif(0.75,7,10)
P(X < x0,50) = 0,50 = (x – 7) /3 por lo tanto x0,50 = 8,5 = P50
USANDO EL R!!! qunif(0.5,7,10)
f)Marque los cuartiles en la función de distribución acumulada.
MODELO NORMAL O GAUSSIANO
En el siglo XVIII los científicos notaron una regularidad
predecible en la frecuencia con que se presentaban ciertos
errores, especialmente los de medida.
Se observo que los errores en situaciones de esta naturaleza
presentaban una distribución simétrica en relación al cero, que
originalmente recibió el nombre de curva normal de errores.
Una variable aleatoria X tiene distribución normal si la mayoría
de sus valores están concentrados alrededor de su valor medio
y los valores de esta variable son cada vez menos frecuentes a
medida que nos alejamos de este valor medio.
MODELO NORMAL
• Función de densidad: fX : R® R+,
1
1
-
2
(x -µ )2 -¥ < µ < ¥
f X ( x; µ, s 2 ) = e 2s
2 p s2 s2 >0
• Esperanza E ( X ) = µ
• Varianza var( X ) = s 2
• X~N(µ,s)
MODELO NORMAL
Distribución Normal
f(x) ³ 0 para toda x real
¥ 1
ò-¥ 2p s e
- ( x - µ ) 2 /( 2s ) 2
dx = 1
MODELO NORMAL
• Si observamos la ecuación de la función
densidad, para cada par de valores de media μ
s 2
y existe una curva, por lo tanto, existe una
familia de curvas normales.
• Esperanza E(X)=µ
• Varianza V(X)=s2
MODELO NORMAL
X~N(0,1)
X~N(1,1)
X~N(0,0.5)
X~N(-1,2)
MODELO NORMAL
MODELO NORMAL: Ejemplos
• Altura, metros, de los alumnos de la Tecnicatura
en Programación de la UTN.
• Tiempo que requiere una persona en completar
una encuesta, en minutos.
• Venta anual de un medicamento en una
determinada farmacia, en pesos.
• Ancho de ranura fabricada en aluminio, en cm.
MODELO NORMAL: Propiedades
Cualesquiera sean µ y s, la función de densidad de
la distribución normal tiene las siguientes
propiedades:
• Tiene forma de campana (campana de Gauss).
• Es simétrica con respecto al eje x= µ.
• La función densidad es estrictamente positiva:
fX (x) >0 "x e R (por ser una función exponencial)
• Es asintótica al eje x: lim f ( x) = lim f ( x) = 0
x ® -¥ x ®¥
MODELO NORMAL: Propiedades
• Tiene un máximo absoluto en x = µ llamado
moda
• Media=Me=Mo
• Por ser función densidad, f(x) ³ 0 para todo x de
R y el área total bajo la curva vale 1.
• Tiene dos puntos de inflexión, en x= µ-s y en
x= µ+s;
• Es cóncava hacia arriba en
(-¥, µ-s) y en (µ+s,¥)
• Es cóncava hacia abajo en (µ-s, µ+s ).
MODELO NORMAL
µ
MODELO NORMAL: Áreas debajo de la
curva
En una distribución probabilística normal:
• Aproximadamente el 68 % del área bajo la curva
normal se encuentra en el intervalo ( µ - s , µ + s )
• Aproximadamente el 95 % del área bajo la curva
normal se encuentra en el intervalo ( µ - 2 s , µ + 2 s )
• Aproximadamente el 99.73 % del área bajo la curva
normal se encuentra en el intervalo ( µ - 3 s , µ + 3 s )
MODELO NORMAL: Áreas debajo de
la curva
MODELO NORMAL: Áreas debajo de
la curva
DISTRIBUCION NORMAL ESTANDAR
• Si X ~ N (µ , s2)
• Es posible definir una variable Z
• Z ~ N (µ=0 , s2=1)
DISTRIBUCION NORMAL ESTANDAR
• Su media, varianza y desviación típica son:
µZ = 0 s z2 = 1 s z =1
• La curva f Z es simétrica respecto al eje z = 0, y
tiene un máximo en este eje y dos puntos de
inflexión en z = -1 y z = 1.
• La gran utilidad de la variable estándar Z es
que nos permite calcular áreas (o abscisas) de
cualquier variable con distribución normal.
DISTRIBUCION NORMAL: Cálculo de
probabilidades
Si X~N(µ,s) y a y b son números reales tales que
a£b, la probabilidad P(a<X<b) es
b
P(a < X < b) = ò f ( x) dx
a
• EJEMPLO
Se regula una máquina despachadora de gaseosas para que
sirva un promedio de 200 mililitros por vaso. Se sabe que la
cantidad de bebida despachada se distribuye normalmente
con una desviación estándar de 15 mililitros.
MODELO NORMAL: Ejemplo
a)¿Qué proporción de los vasos contendrán más
de 224 mililitros?
P(X ˃ 224) = 1 - 0,9452 = 0,0548
USANDO EL R!!! 1-pnorm(224,200,15)
b)¿Cuál es la probabilidad de que un vaso contenga
entre 190 y 205 mililitros?
P(190 ˂ X ˂ 205) = 0,3781
USANDO EL R!!! pnorm(190,200,15) y pnorm(205,200,15)
MODELO NORMAL: Ejemplo
c)¿Por debajo de que valor obtendremos 25% de los
vasos menos llenos?
P(X˂x) = 0,25
X = 189,88
USANDO EL R!!! qnorm(0.25,200,15)
d)¿Que cantidad de bebida tendrá el 95% de los
vasos, alrededor de la media?
USANDO EL R!!! qnorm(0.975,200,15) y
qnorm(0.025,200,15)
MODELO GAMMA
Algunas variables aleatorias son siempre no negativas
y tienen distribuciones asimétricas a derecha.
La mayor parte del área bajo la función densidad se
encuentra cerca del origen y la función densidad
disminuye gradualmente cuando X aumenta.
Por ejemplo:
Los intervalos de tiempo entre dos fallas del motor de un
avión posee una distribución de frecuencias sesgada
que puede modelarse con dicha distribución Gamma.
MODELO GAMMA
• Se dice que una v.a. X tiene distribución
Gamma si su función densidad tiene la
siguiente expresión:
x
1 -
f X ( x) = a
xa -1 e b
dx x > 0, α >0 , β > 0
b G(a )
• Sus parámetros son:
a (parámetro de forma) y β( parámetro de escala)
+¥
• La función gamma se define G(a ) = ò x a e dx α >0 -1 -x
0
MODELO GAMMA: Función
• Esta función Gamma es también llamada
función factorial, ya que cuando a >0, se
puede probar
G(a + 1) = a G(a )
• y cuando a es un entero positivo
G(a + 1) = a !
• Además G(1/2)=
MODELO GAMMA
MODELO GAMMA
MODELO GAMMA
MODELO GAMMA: Esperanza y
Varianza
• Esperanza
E ( X ) = ab
• Varianza
Var ( X ) = ab 2
MODELO GAMMA: Ejemplos
• Consumo diario de energía eléctrica de una
ciudad, en millones de Kw/h.
• Tiempo de ajuste de un instrumento que necesita
ser ajustado después de ser utilizado, en días.
• Tiempo de falla de un sistema con componentes
inactivos, en minutos.
• Tiempo de reacción a un estímulo de un
individuo, en mili segundos.
MODELO GAMMA: Ejemplo
En una ciudad el consumo diario de energía eléctrica, en
millones de Kilowatts-hora, es una variable aleatoria que
tiene distribución Gamma con parámetro de forma a=3 y
parámetro de escala β=2.
a) Encuentre la probabilidad de que en un día determinado
el consumo diario de energía exceda los 12 millones de
kw-h.
b) Encuentre la probabilidad de que en un día
determinado el consumo diario de energía sea de 5
millones de kw-h o menos.
MODELO GAMMA: Ejemplo
X: “Consumo diario de energía eléctrica, en millones
de Kw-h”.
X ~ Gamma (a=3, β=2)
a) USAR EL R!!! 1-pgamma(12,3,0.5)
P(X˃12) =0.0619688
(para usar este programa debe el parámetro de escala usar λ=1/β)
b) USAR EL R!!! pgamma(5,3,1/2)
P(X≤5) = 0.4561869
MODELO GAMMA: Casos particulares
• I- Modelo exponencial negativo
(a =1 en el modelo Gamma)
• II- Modelo Chi-Cuadrado
(a =n/2 y β=2 )
MODELO EXPONENCIAL
• Modela problemas del tipo tiempo- fallas.
• Es una importante distribución continua que está
relacionada con la distribución de Poisson.
• Estas dos distribuciones tienen muchas aplicaciones
en la investigación de operaciones, especialmente
en la teoría de colas (líneas de espera).
• Están relacionadas con dichas aplicaciones por el
hecho de que, si se supone que los sucesos ocurren
de acuerdo a la distribución de Poisson, entonces
puede usarse la distribución exponencial para
determinar la distribución probabilística del tiempo
transcurrido entre tales sucesos.
MODELO EXPONENCIAL
• Por ejemplo, si la llegada de los clientes a un
banco se produce de acuerdo con la distribución
de Poisson, podemos utilizar el modelo
exponencial para determinar la distribución
probabilística de los intervalos de tiempo entre
llegadas.
• La distribución exponencial tiene el mismo
parámetro l que la distribución de Poisson.
(β=1/ l)
MODELO EXPONENCIAL NEGATIVO
X tiene distribución exponencial si su función
densidad tiene la siguiente expresión:
-l x
f X ( x) = l e , x˃0, λ˃0
0 &' " < 0
! " =$
1 − + ,-. &' " ≥ 0
Se consideró β=1/λ.
Esperanza Varianza
1 1
E( X ) = var ( X ) =
l l2
MODELO EXPONENCIAL: Ejemplos
• Intervalos de tiempo entre llegada de clientes a
una estación de servicios, en minutos.
• El tiempo entre llamadas sucesivas para el
pedido de un traslado de emergencias en un
centro de servicios, en horas.
• Duración de una lámpara led, en horas.
• Tiempo de respuesta en una terminal de
computadoras en línea, en segundos.
MODELO EXPONENCIAL: Ejemplo
El tiempo, en minutos, que se tarda en atender a
un individuo en un banco es una variable aleatoria
exponencial con un valor medio de 4. ¿Cuál es la
probabilidad de que una persona sea atendida en
menos de tres minutos?
T : “Tiempo, en minutos, que se tarda en atender a un cliente
en un banco”
µ = 1/l = 4 minutos Þ l = ¼
T ~ Exponencial (l = ¼)
P(T < 3 min) = F(3) =0,5276 ® 52,76
USAR EL R!!! pexp(3,0.25)
MODELO WEIBULL
• La distribución de Weibull tiene los parámetros α y
β.
• La variable aleatoria continua X tiene una
distribución de Weibull, con parámetros α y β, si su
función de densidad está dada por
b -1 - ax b
f ( x) = ab x e dx x˃0
X
• Si β=1, la distribución de Weibull se reduce a la
distribución Exponencial.
• Para valores de β˃1, las curvas se vuelven un poco en
forma de campana y se asemejan a las curvas
normales, pero muestran algo de asimetría.
MODELO WEIBULL: Ejemplos
• Cantidad de emisiones de varios contaminantes
de motores, en g/gal, de un motor de cuatro
tiempos.
• Pérdida de peso por corrosión de una pequeña
placa de aleación de magnesio cuadrada.
• Duración, en cientos de horas, de un tipo de tubo
de vacío.
• Tiempo de devolución de un producto
defectuoso hasta que el cliente lo devuelve, en
semanas.
DISTRIBUCIÓN WEIBULL
MODELO DE WEIBULL: Ejemplo
La vida de servicio durante la que un determinado
tipo de máquina, en cientos de horas, funciona
dentro de sus especificaciones sigue una distribución
de Weibull con a = 2 y b = 7. ¿ Cuál es la
probabilidad de que una de esas máquinas trabaje en
forma correcta durante más de 10.000 horas?
P(X > 10) = 1 - F(10) = 0,1299
USAR EL R!!!
1-pweibull(10,2,7)
MODELO CHI-CUADRADO
• Es importante porque es la base de varios
procedimientos de inferencia estadística.
• Otro caso especial de la distribución Gamma se
obtiene al hacer α=ν/2 y β=2, donde ν es un entero
positivo.
• La distribución Chi-Cuadrado tiene un solo
parámetro , ν, llamado grados de libertad.
• La variable aleatoria continua X tiene una
distribución chi cuadrado, con ν grados de libertas, si
su función de densidad está dada por
f ( x) =
1
xn / 2 -1
-
x
e dx
2
x ≥ 0
X
2 n / 2 G(n / 2)
MODELO CHI-CUADRADO
MODELO CHI-CUADRADA
MODELO T DE STUDENT
• En ocasiones debemos aplicar el cálculo de probabilidades en
distribuciones normales pero desconocemos la desviación
estándar poblacional.
• A menudo, una estimación de la desviación estándar poblacional,
!, debe ser proporcionada por la misma información muestral.
• Como resultado, una estadística natural a considerar para tratar
con inferencias sobre la media poblacional, ", es:
#%&
$
T= '
√)
puesto que S es el análogo de la muestra para !.
• Tiene una distribución de probabilidad llamada t con * = n-1
grados de libertad.
MODELO T DE STUDENT
Propiedades de la distribución t
• La distribución t está regida por un solo parámetro llamado
número de grados de libertad de la distribución.
• Representamos este parámetro con la letra griega !.
• Los posibles valores de ! son los números naturales 1, 2, 3, … . Así
cada valor distinto de ! caracterizará a una distribución t
diferente.
• Cada curva t!, tiene forma de campana.
• Es simétrica respecto al eje t = 0.
• Cada curva t! está más dispersa que la curva normal estándar.
• A medida que ! aumenta, la dispersión de la curva t!
correspondiente disminuye.
• A medida que ! tiende a infinito, la secuencia de curvas t! se
aproxima a la curva normal estándar.
MODELO T DE STUDENT
DISTRIBUCIÓN F-DE FISHER-SNEDECOR
• La distribución t es útil para un análisis comparativo entre medias.
• Es frecuente necesitar comparar las varianzas.
• La distribución F sirve para describir el comportamiento de un
estadístico que sirve para la comparación de las varianzas.
La estadística F definida como:
"!
#$
F= %!
#&
donde U y V son variables aleatorias independientes que tienen
distribución chi-cuadrada con ' 1 y ' 2 grados de libertad,
respectivamente, tiene una distribución de probabilidad F con ' 1 y
' 2 grados de libertad.
DISTRIBUCIÓN F-DE FISHER-SNEDECOR
Ejemplos:
• Un ingeniero químico reúne datos de dos catalizadores, verifica que
en promedio se comportan de manera similar pero observa que las
medidas en uno de ellos se presentan mucho más dispersas que las
del otro.
• Lo mismo le puede suceder a un ingeniero civil que compara la
resistencia de dos hormigones. Muchas veces, aunque es de sumo
interés la comparación de las medias, es frecuente necesitar
comparar la variabilidad de distintas muestras provenientes de
poblaciones distintas .
DISTRIBUCIÓN F-DE FISHER-SNEDECOR
